一个古老的分析方法--模糊物元分析法

为什么研究模糊物元分析法

很久之前的一篇小论文，也是入门学术圈的第一篇小论文，因为当时老实说是拿来练手的，所以写的很潦草，但是改这篇论文用的时间最长，一直没有投出去，当时用的是模糊物元分析法，求的耦合度。前几天，老师又提起这篇小论文，让我继续改改，谁懂啊，家人们，真的不想再看这篇论文了，感觉都快翻烂了，刚开始写的时候就不知道怎么做研究，提笔就写，现在发出去两篇了，再看这篇真的很差，不知道从哪里改。
甚至，当时用这个方法的时候都是自己Excel计算的，正好最近在玩MATLAB，发现MATLAB用来做模糊物元计算非常简单，所以抽了点时间写了点代码，实现了这个方法，总不用每次去看或者增加新的数据的时候都去重新计算了。
这篇文章主要唠唠什么是模糊物元分析，下一篇把代码分享给大家（稍微收点费，hiahiahiahiha，毕竟花了几个小时写的还是不免费了，只收一点儿）。

模糊物元分析法的相关论文

[1]郑奇洋. 苏州文旅融合发展的评价与优化研究[D].苏州科技大学,2020.DOI:10.27748/d.cnki.gszkj.2020.000170.
[2]冉江山. 基于物元分析法和投影寻踪分析法的水资源承载力研究[D].西安科技大学,2019.
[3]姜泳. 基于物元分析法的城市轨道交通PPP项目VFM评价研究[D].兰州交通大学,2019.DOI:10.27205/d.cnki.gltec.2019.000203.
[4]于秋萌. 基于模糊物元分析的大连市物流能力评价研究[D].大连理工大学,2020.DOI:10.26991/d.cnki.gdllu.2020.001357.
这里主要参考第一篇和第四篇来总结模糊物元分析法的计算步骤。

糊物元分析法的含义

模糊物元分析法：蔡文教授提出物元分析理论，首创由“事物”“特征”“模糊量值”三个基本要素组成的有序三元组。肖芳淳将物元分析和模糊集合理论相结合，采用模糊数学的隶属度理论，将不确定性评价变成确定性评价。
这里解释一下，可能有的同学没有学习过模糊数学，或者不太了解。简而言之，对于不确定性的评价我们都可以用模糊物元分析法。比如，生活中我们形容一个人高，但是多少算高呢？我们形容一个男生高，（现阶段比较多的标准就是180），那么179算不算高呢？应该也算高，178呢？好像也挺高，就差这2厘米。但是要一直这样兼容下去，175,174也算了。所以我们得有一个方法评价，让这个指标精确化，就是179算高的概率为0.9,175算高的概率为0.7,181算高的概率为1（一定是高的那一批）。这就是模糊物元分析方法的重要思想。

模糊物元分析法的基本步骤

第一步：划分经典域和节域。

Nj代表对象N处于j级时的研究对象，Bnj代表处于j级的第n个指标，即第n个指标在j级的取值区间。这里面有点晦涩难懂。简而言之就是B是我们要计算的指标，比如我们有一个指标，还是身高的问题，我们把身高分为五个等级，[矮，较矮，中等，较高，高]。然后从我们数据中找到最大值和最小值，最小值165cm，最大值192cm，我们就可以把165-192的区间划分为5部分，最简单的就是均等化分，[165,170.4],[170.4,175.9],[175.9,182.3],[182.3,192]分别对应我们五个级别。这就是经典域划分，而[165,192]这个区间就叫做节域。

第二步：隶属度计算

隶属度函数这里我之前研究了很久，最后找到了第四篇这个文章中有关隶属度的计算比较清晰，这里贴几张图。逻辑比较清楚就不细说了。
有关隶属度的理解，还是以身高为例，前面我们划分了五个等级，隶属度函数的作用就是帮我们计算出观测值属于某个区间的概率。比方说这里有一个193的男生，我们观察到他是在[182.3,192]外，也就是属于高这个范围的概率为1，而有一个179的男生，它位于[175.9,182.3],[182.3,192]这两个区间的中间值之间，那么他算出来的结果可能就是属于[175.9,182.3]区间的概率为0.7，属于[182.3,192]的概率为0.3（举例，是哪个概率值大家可以按照上述计算一下）。

第三步：计算权重

这里就是确定自己指标的权重，不限方法可以是熵值法，或者专家评价，确定自己的指标权重。这里贴两个。以一共两个层级的指标为例，下面可以求出自己一级指标权重和二级指标（最底层指标）权重。记作w1 和w2
熵值法
AHP法

第四步：关联度计算

这里稍微解释一下，关联度复合物元是根据前面得到的权重和隶属度函数计算得到的。是权重和隶属度函数的外积。以前文实例的扩展例子来解释。评价一个帅哥，我们会考虑他的身材，穿搭，外貌。身材包括身高、体重两个；穿搭：清爽型、成熟性、阳光型；外貌：眼睛、鼻子、肤色。大家看到，一个简单的二级指标（或者三级指标，目标层是帅哥）。那么根据前面的步骤我们现在对一个176cm，70kg，穿运动衣、单眼皮、高鼻梁、黑皮肤的男生进行综合评价。176cm放到经典域身高里得到的隶属度[0,0,0.7,0.3,0],70kg放到经典域体重里得到隶属度[0,0,0.5,0.5,0]。然后我们找了个美女，美女说：在我心里一个帅哥身材占比重0.7，穿搭占比重0.2，外貌占比重0.1（其实就是我哈哈哈哈哈哈）。谁还不能自称为美女了。然后身高在身材里占比0.4，体重占比0.6.那么按照这个美女的标准我们观测到的帅哥他的关联度我们就能计算了。
第二层关联度：[0.4,0.6][[0,0,0.7,0.3,0],
[0,0,0.5,0.5,0]]
得到15的矩阵。
同样的原理，拿到其他特征的隶属度，就能算第一层的关联度K，大小为3*5。

第五步：特征值计算

这一步比较简单，用到几个综合公式：

这一步是对K的处理，对K的每一列求均值，得到15的向量，就是公式中的dj1。
对K的每一列求最大值，得到15的向量，就是公式中的dj2。
对K的每一列求最小值，得到1*5的向量，就是公式中的dj3。

dj1；dj2；dj3纵向拼接得到图中的Rd，接着每一列求均值得到RD，其中找最大值就是我们的特征值。

可以选择其中的任何一个公式计算特征值。